肿瘤放射治疗区域的生成方法及生成装置

1.本技术涉及医学影像领域，尤其涉及一种肿瘤放射治疗区域的生成方法及生成装置。


背景技术：

2.对于解剖结构复杂的肿瘤(例如，头颈癌)的放射治疗来说，精准定位至关重要，而图像引导是实现高精度定位的关键步骤。目前，计算机断层扫描成像(computed tomography，ct)是图像引导中的常用工具，一般是通过求取初始得到的ct图像和在治疗过程中实际得到的ct图像间相似性最大的最优变换参数进行配准，以实现精准定位。
3.在相关技术中，虽然已经实现了将自动配准算法结合到图像引导放射治疗(image-guided radiotherapy，igrt)系统中，但是，由于图像中伪影的存在和在治疗过程中解剖结构的变异，可能会导致初始得到的ct图像和实际得到的ct图像之间的全局图像相似性度量出现偏差等因素的影响，导致肿瘤患者放射治疗区域的定位仍然需要人工干预进行校正。


技术实现要素：

4.本技术公开一种肿瘤放射治疗区域的生成方法及生成装置，以解决肿瘤患者放射治疗区域的定位需要人工干预进行校正的问题。
5.为了解决上述问题，本技术采用下述技术方案：
6.第一方面，本技术实施例提供了一种肿瘤放射治疗区域的生成方法，包括：获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像；响应于外部输入指令，在所述第二ct图像上标记第一控制区域的位置，生成第三ct图像；通过将所述第一ct图像和所述第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数；根据所述第一平移参数和所述第一旋转参数，对所述第一ct图像进行变换生成第四ct图像，其中，所述第四ct图像为带有用于所述目标对象放射治疗的目标控制区域的图像。
7.第二方面，本技术实施例提供了一种肿瘤放射治疗区域的生成装置，包括：第一获取模块，用于获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像；标记模块，用于响应于外部输入指令，在所述第二ct图像上标记第一控制区域的位置，生成第三ct图像；第二获取模块，用于通过将所述第一ct图像和所述第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数；生成模块，用于根据所述第一平移参数和所述第一旋转参数，对所述第一ct图像进行变换生成第四ct图像，其中，所述第四ct图像为带有用于所述目标对象放射治疗的目标控制区域的图像。
8.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
9.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程
序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
10.本技术实施例提供一种肿瘤放射治疗区域的生成方法，通过获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像，然后响应于外部输入指令，在第二ct图像上标记第一控制区域的位置，生成第三ct图像，再通过将第一ct图像和第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数，然后根据第一平移参数和第一旋转参数，对第一ct图像进行变换生成带有用于目标对象放射治疗的目标控制区域的第四ct图像，从而实现对肿瘤放射治疗区域的定位。另外，通过医生手动选择的无伪影的第一控制区域实现配准，能够避免全局配准中由于图像信息不均匀带来的影响，进而能够减少潜在的不确定误差。
附图说明
11.图1为本技术实施例公开的一种肿瘤放射治疗区域的生成方法的流程示意图；
12.图2为本技术实施例公开的一种肿瘤放射治疗区域的生成装置的结构示意图；
13.图3为本技术实施例公开的电子设备的一种结构示意图。
具体实施方式
14.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
15.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
16.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的肿瘤放射治疗区域的生成方法进行详细地说明。
17.图1为本技术实施例公开的一种肿瘤放射治疗区域的生成方法的流程示意图，该方法可以由电子设备执行，换言之，该方法可以由安装在电子设备的软件或硬件来执行，如图1所示，该方法包括如下步骤。
18.s120、获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像。
19.s140、响应于外部输入指令，在第二ct图像上标记第一控制区域的位置，生成第三ct图像。
20.也就是说，通过医生手动选择，在第二ct图像上标记第一控制区域的位置，生成第三ct图像，其中，第一控制区域的位置可以为医生容易识别的、无伪影的区域。
21.s160、通过将第一ct图像和第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数。
22.即通过将第一ct图像和标记有第一控制区域位置的第二ct图像输入密集网络模
型，获取治疗床的第一平移参数和第一旋转参数。
23.s180、根据第一平移参数和第一旋转参数，对第一ct图像进行变换生成第四ct图像，其中，第四ct图像为带有用于目标对象放射治疗的目标控制区域的图像。
24.通过根据第一平移参数和第一旋转参数，对第一ct图像进行变换生成第四ct图像，从而实现配准，能够使得第四ct图像与第二ct图像达到空间及解剖意义上的一致，也即第四ct图像与第二ct图像之间最相似。
25.本技术实施例提供一种肿瘤放射治疗区域的生成方法，通过获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像，然后响应于外部输入指令，在第二ct图像上标记第一控制区域的位置，生成第三ct图像，再通过将第一ct图像和第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数，然后根据第一平移参数和第一旋转参数，对第一ct图像进行变换生成带有用于目标对象放射治疗的目标控制区域的第四ct图像，从而实现对肿瘤放射治疗区域的定位。另外，通过医生手动选择的无伪影的第一控制区域实现配准，能够避免全局配准中由于图像信息不均匀带来的影响，进而能够减少潜在的不确定误差。
26.以头颈癌(head and neck cancer，hnc)为例，在hnc区域，骨骼解剖并不是一个简单的刚性物体，因此，为了稳健，通常可以在第二ct图像上标记多个第一控制区域的位置，而在第二ct图像上标记的第一控制区域的位置为多个的情况下，通过将第一ct图像和第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数，可以包括：将第一ct图像和第三ct图像输入密集网络模型，获取多个第一平移参数和多个第一旋转参数；根据多个第一平移参数和多个第一旋转参数，分别计算第一平移参数的平均值和第一旋转参数的平均值。也就是说，在第二ct图像上标记的第一控制区域的位置为多个的情况下，通过将第一ct图像和第三ct图像输入密集网络模型，可以获取到多个第一平移参数和多个第一旋转参数，通过分别计算第一平移参数和第一旋转参数的平均值，确定转换参数，进而提升模型的稳健性。
27.在本技术实施例中，在将第一ct图像和第三ct图像输入密集网络模型之前，还可以包括：获取多组第一对象的数据集，其中，数据集包括在治疗过程中实际得到的第五ct图像、在治疗前初始得到的第六ct图像和第六ct图像中第二控制区域的位置，第二控制区域的位置为在第六ct图像中随机生成的位置；根据多组第一对象的数据集生成训练样本集；将训练样本集输入待训练的密集网络模型进行迭代训练处理，得到训练完成的密集网络模型。本技术通过采用在第六ct图像中随机生成的第二控制区域的位置，无需手动标注数据，能够在不依赖于标注数据集，极大地节省人力的情况下，完成对密集网络模型的训练。
28.在一种实现方式中，将训练样本集输入待训练的密集网络模型进行迭代训练处理，可以包括：在第六ct图像上标记第二控制区域的位置，生成第七ct图像；通过将第五ct图像和第七ct图像输入所述密集网络模型，获取第二平移参数和第二旋转参数；根据第二平移参数和第二旋转参数，对第五ct图像进行变换生成第八ct图像；根据第二控制区域的位置，分别提取第六ct图像中的第一目标控制区域和第八ct图像中的第二目标控制区域；通过归一化互相关确定第一目标控制区域和第二目标控制区域之间的局部相似度；通过归一化互相关确定第六ct图像和第八ct图像之间的全局相似度；根据局部相似度和全局相似度，确定第六ct图像和第八ct图像之间的损失函数。
29.也就是说，在训练密集网络模型的过程中，在根据第二平移参数和第二旋转参数，对第五ct图像进行变换生成第八ct图像之后，根据第六ct图像上标记的第二控制区域的位置，分别提取第六ct图像中的第一目标控制区域和第八ct图像中的第二目标控制区域，通过归一化互相关确定第一目标控制区域和第二目标控制区域之间的局部相似度，通过归一化互相关确定第六ct图像和第八ct图像之间的全局相似度，然后根据局部相似度和全局相似度，确定第六ct图像和第八ct图像之间的损失函数。并且为了避免局部伪影或解剖差异对全局的影响，提高医生感兴趣区域的配准精度，将第一目标控制区域和第二目标控制区域之间的局部相似度作为损失函数的主要部分。在第六ct图像和第八ct图像之间的损失函数最小的情况下，第六ct图像和第八ct图像之间的图像相似性最大。
30.其中，第六ct图像和第八ct图像之间的损失函数可以通过下述公式进行表示：l(θ；id,i
p
,v)＝lg(θ；i
p
,id)+λl
cv
(θ；i
p,cv
；i
′
d,cv
)，其中，lg表示第六ct图像和第八ct图像之间的全局相似度，l
cv
表示第一目标控制区域和第二目标控制区域之间的局部相似度，λ表示全局相似度和局部相似度相对权重的常数参数，θ表示密集网络模型的学习参数，v表示第六ct图像中第二控制区域的位置，id表示第五ct图像，i
p
表示第六ct图像，i
p,cv
表示第六ct图像中的第一目标控制区域，i
′
d,cv
表示第八ct图像中的第二目标控制区域。
31.而第一目标控制区域和第二目标控制区域之间的局部相似度，以及第六ct图像和第八ct图像之间的全局相似度，均使用负的归一化互相关进行计算，具体计算公式如下：其中，i1和i2分别表示两幅图像或者两个目标控制区域，p是其中的体素的索引，和则表示i1和i2中体素的灰度平均值。
32.在本技术实施例中，在确定第六ct图像和第八ct图像之间的损失函数之后，还可以包括：通过adam(adaptive moment estimation)算法进行迭代训练处理，保存损失函数最小时对应的密集网络模型的学习参数。也就是说，可以通过adam算法不断对密集网络模型进行迭代训练，使得损失函数最小，并且保存损失函数最小时对应的权重参数和密集网络模型的学习参数，以便于在后续使用密集网络模型时，通过直接代入数据，即可得到对应结果，而无需经过再次迭代，能够加快速度。示例性的，为了减小损失函数，adam算法中的学习率最初可以设定为10-2
，然后逐渐降低到10-6
，总共使用105次迭代来训练密集网络模型。此外，在进行迭代训练处理时，可以通过随机平移和旋转治疗前初始得到的第六ct图像，通过对第六ct图像进行变换，生成大量初始数据，通过大量初始数据对待训练的密集网络模型进行训练，能够使得训练得到的密集网络模型的鲁棒性更好，同时能够避免过渡拟合。
33.在本技术实施例中，密集网络模型中包括卷积层和三个密集层，每一个密集层后面都跟着一个过渡层，最后一个密集层后面紧跟着一个池化层和线性层，而密集层由卷积层、批量归一化层和校正线性单元序列组成，过渡层由卷积层和池化层组成。其中，密集网络模型的卷积层用于提取输入的图像的不同特征，第一层卷积层提取一些低级的特征如边缘、线条和角等，多层卷积层得到更深层次的特征，输出成为特征图；池化层用于对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征，还可以用于防止过拟合；批量归一化层用于使输入数据的分布相对稳定，加速模型学习速度；校正线性单元序列用于提供网络的非线性表达建模能力；过渡层用于降低相
邻密集块之间的特征映射的维数；线性层用于实现对前一层的线性组合或线性变换，即将它们的输入特征转换为输出特征。
34.以hnc为例，在实验验证时，对于每个患者，均采集了治疗过程中实际得到的ct图像、在治疗前初始得到的ct图像和在初始得到的ct图像中手动选择的控制区域。为了稳健，通常选择第二颈椎棘突、第六颈椎棘突、下颌骨和颅骨处的四个控制区域，最终的转换参数是通过对密集网络模型输出的4个平移参数和4个旋转参数分别计算平均值确定，并以一名经验丰富的放射肿瘤学家标记的八个已知且易于识别的解剖点作为参考。
35.在本技术中，使用骨标志对齐的治疗床的平移参数和旋转参数可以通过下述公式确定：其中，r表示治疗床在偏航、俯仰和侧滚方向上的旋转矩阵，t表示治疗床在前后、左右以及上下方向的平移矩阵，表示治疗过程中实际得到的ct图像中的控制区域，表示在治疗前初始得到的ct图像中的控制区域，将公式取得最小值时对应的r的值确定为旋转参数，将公式取得最小值时对应的t的值确定为平移参数。
36.由于本技术在损失函数中对无伪影的控制区域赋予了更多的权重(即将局部相似度作为损失函数的主要部分)，因此，相较于使用传统配准方法时整个锥形束ct图像相对于其预期位置向后移动来说，本技术消除了这种未对齐。另外，通过传统方法配准后，控制区域中的解剖映射的误差虽然减小，但是由于金属图像伪影，仍然不能很好地匹配，而通过本技术提供的方法，解剖结构能非常好地匹配。
37.表1是对传统配准方法、无控制区域(control volumes，cvs)的深度学习(deeplearning，dl)模型、有cvs的dl模型三种不同方法的平移和旋转误差的总结。
38.表1不同方法的平移和旋转误差总结
39.[0040][0041]
通过表1，可以看到，在平移和旋转中，本方法(有cvs的dl模型)测量和参考之间的系统/随机定位误差分别小于0.47/1.13mm和0.17/0.29
°
。并且，在预先定义的临床可接受的公差(2.0mm/1.0
°
)内，所提出的方法的测试分数在平移和旋转中的比例分别为87.88％和100.00％。hnc病例在临床可接受的范围内的比例由传统方法的66.67％提高到本方法的90.91％。并且，通过基于深度学习的配准结果的定量比较，在有cvs时，我们发现90.91％的病例在临床上是可接受的，这显著提高了63.64％的没有cvs的可接受比例。
[0042]
以上数据均可表明本技术提出的方法能够高效的实现高精度的患者定位。
[0043]
本技术实施例提供的肿瘤放射治疗区域的生成方法，执行主体可以为肿瘤放射治疗区域的生成装置。本技术实施例中以肿瘤放射治疗区域的生成装置执行肿瘤放射治疗区域的生成方法为例，说明本技术实施例提供的肿瘤放射治疗区域的生成装置。
[0044]
图2为本技术实施例公开的一种肿瘤放射治疗区域的生成装置的结构示意图。如图2所示，肿瘤放射治疗区域的生成装置200包括：第一获取模块210、标记模块220、第二获取模块230和生成模块240。
[0045]
在本技术中，第一获取模块210，用于获取目标对象在治疗过程中实际得到的第一ct图像和在治疗前初始得到的第二ct图像；标记模块220，用于响应于外部输入指令，在所述第二ct图像上标记第一控制区域的位置，生成第三ct图像；第二获取模块230，用于通过将所述第一ct图像和所述第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数；生成模块240，用于根据所述第一平移参数和所述第一旋转参数，对所述第一ct图像进行变换生成第四ct图像，其中，所述第四ct图像为带有用于所述目标对象放射治疗的目标控制区域的图像。
[0046]
在一种实现方式中，在所述第二ct图像上标记的所述第一控制区域的位置为多个的情况下，所述第二获取模块230通过将所述第一ct图像和所述第三ct图像输入密集网络模型，获取第一平移参数和第一旋转参数，包括：将所述第一ct图像和所述第三ct图像输入所述密集网络模型，获取多个第一平移参数和多个第一旋转参数；根据多个所述第一平移
参数和多个所述第一旋转参数，分别计算所述第一平移参数的平均值和所述第一旋转参数的平均值。
[0047]
在一种实现方式中，所述第二获取模块230还用于：在所述将所述第一ct图像和所述第三ct图像输入密集网络模型之前，获取多组第一对象的数据集，其中，所述数据集包括在治疗过程中实际得到的第五ct图像、在治疗前初始得到的第六ct图像和所述第六ct图像中第二控制区域的位置，所述第二控制区域的位置为在所述第六ct图像中随机生成的位置；根据所述多组第一对象的数据集生成训练样本集；将所述训练样本集输入待训练的所述密集网络模型进行迭代训练处理，得到训练完成的所述密集网络模型。
[0048]
在一种实现方式中，所述第二获取模块230将所述训练样本集输入待训练的所述密集网络模型进行迭代训练处理，包括：在所述第六ct图像上标记所述第二控制区域的位置，生成第七ct图像；通过将所述第五ct图像和所述第七ct图像输入所述密集网络模型，获取第二平移参数和第二旋转参数；根据所述第二平移参数和所述第二旋转参数，对所述第五ct图像进行变换生成第八ct图像；根据所述第二控制区域的位置，分别提取所述第六ct图像中的第一目标控制区域和所述第八ct图像中的第二目标控制区域；通过归一化互相关确定所述第一目标控制区域和所述第二目标控制区域之间的局部相似度；通过归一化互相关确定所述第六ct图像和所述第八ct图像之间的全局相似度；根据所述局部相似度和所述全局相似度，确定所述第六ct图像和所述第八ct图像之间的损失函数。
[0049]
在一种实现方式中，所述第二获取模块230，还用于：在所述确定所述第六ct图像和所述第八ct图像之间的损失函数之后，通过adam算法进行迭代训练处理，保存所述损失函数最小时对应的所述密集网络模型的学习参数。
[0050]
本技术实施例提供的肿瘤放射治疗区域的生成装置能够实现肿瘤放射治疗区域的生成方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0051]
可选地，如图3所示，本技术实施例还提供一种电子设备300，包括处理器301和存储器302，存储器302上存储有可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述肿瘤放射治疗区域的生成方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0052]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述肿瘤放射治疗区域的生成方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0053]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0054]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序
来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0055]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0056]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。